CN117053860A - 一种高压电机综合智能在线监测方法 - Google Patents
一种高压电机综合智能在线监测方法 Download PDFInfo
- Publication number
- CN117053860A CN117053860A CN202310953409.4A CN202310953409A CN117053860A CN 117053860 A CN117053860 A CN 117053860A CN 202310953409 A CN202310953409 A CN 202310953409A CN 117053860 A CN117053860 A CN 117053860A
- Authority
- CN
- China
- Prior art keywords
- data
- voltage motor
- monitoring unit
- layer
- head attention
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005259 measurement Methods 0.000 claims abstract description 60
- 238000003745 diagnosis Methods 0.000 claims abstract description 44
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 230000000737 periodic effect Effects 0.000 claims description 16
- 238000013138 pruning Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 11
- 238000011065 in-situ storage Methods 0.000 claims description 10
- 239000013307 optical fiber Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000006698 induction Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 230000005856 abnormality Effects 0.000 description 7
- 230000008878 coupling Effects 0.000 description 7
- 238000010168 coupling process Methods 0.000 description 7
- 238000005859 coupling reaction Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009851 ferrous metallurgy Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种高压电机综合智能在线监测方法,方法采用端‑边‑云的架构的***,***包括位于电机端的传感器和属于边的就地监测单元,以及属于云端的远程在线监测平台和服务器,方法包括以下步骤:S1、将数据发送至就地监测单元;S2、分析数字化测量数据的浅层特征;S3、对运行状态进行初步分析和风险预警,将保存的数据发送至服务器;S4、服务器将数据输入训练好的基于轻量化多头注意力网络的故障融合诊断模型,得到高压电机运行状态在线诊断结果,发送至远程在线监测平台;S5、远程在线监测平台显示信息,根据需要及时调整配置信息。与现有技术相比,本发明具有对电机故障进行进一步深入的故障分析等优点。
Description
技术领域
本发明涉及电机监测技术领域,尤其是涉及一种高压电机综合智能在线监测方法。
背景技术
作为电能生产、传输、使用和电能特性变换的核心装备,高压电机在新能源发电、钢铁冶金、石油化工等重要领域都有广泛的应用。随着电机长期运行,一些结构、部件会逐渐劣化,逐渐失去原有性能和功能,就会暴露出一些不正常的状态,进而影响***作业的安全性与可靠性。保障高压电机的健康运行,对高压电机的状态监测与异常诊断成为企业设备运维部门必不可少的重要课题。高压电机异常通常表现为机械异常与电气异常。近年来,高压电机异常检测***为各电机制造厂家和电机使用部门所重视。
研究者们针对高压电机的温度监测、振动监测、局部放电监测等开发了多种方法与装置,但综合考虑高压电机机械异常与电气异常的***还相对较少,且大多只针对***结构或通信方式进行设计,通过观测数据超标的方式进行异常预警;而缺乏对大量监测数据的全局相关性进行深层挖掘,进而对高压电机的故障类型进行诊断。
综上,现有技术缺少对多种故障综合分析的监测,同时预警只停留在浅层的阈值分析上,分析结果不够准确。同时,分析电机数据时采用基于CNN、RNN等深度学***稳等缺点。基于RNN的数据分析方法擅长提取长距离信息,但是由于其当前时刻计算依赖于上一时刻的计算结果,它必须逐个单元计算,无法充分发挥GPU并行性,计算效率低。
发明内容
本发明的目的就是为了对电机故障进行进一步深入的故障分析,克服现有故障诊断模型不准确的问题而提供的一种高压电机综合智能在线监测方法。
本发明的目的可以通过以下技术方案来实现:
一种高压电机综合智能在线监测方法,方法采用端-边-云的架构的***,***包括位于电机端的传感器、属于边的就地监测单元,以及属于云端的服务器以及远程在线监测平台,方法包括以下步骤:
S1、基于多个传感器获取数据,将数据发送至就地监测单元;
S2、就地监测单元获取传感器的测量数据后,确定测量数据的测量时刻,然后将数据转换为数字量,得到数字化测量数据和周期图谱数据,分析数字化测量数据的浅层特征;
S3、根据浅层特征和周期图谱数据对高压电机的运行状态进行初步分析和风险预警,保存数字化测量数据、浅层特征、周期图谱数据和风险预警结果至本地并显示,并将保存的数据发送至服务器;
S4、服务器获取就地监测单元发送的保存的数据,将数据输入训练好的基于轻量化多头注意力网络的故障融合诊断模型,加载权重,得到高压电机运行状态在线诊断结果,将诊断结果和服务器获取的数据发送至远程在线监测平台;
S5、远程在线监测平台显示接收到的信息,根据需要及时调整传感器和就地监测单元的配置信息。
进一步地,确定测量数据的测量时刻的具体步骤为:
同步各个就地监测单元的基准时间,确定周期开始时的基准时间为ts,利用高频基准脉冲与基准时间对测量数据进行计时标注,记周期T内高频基准脉冲振动N次,开始采集测量数据时高频基准脉冲振动次数为M,得到测量数据的测量时刻为t=ts+T*M/N。
进一步地,同步各个就地监测单元的基准时间的方法采用光纤时基同步方式或者电流感应同步方式。
进一步地,将数据转换为数字量的具体步骤包括:
对数据进行滤波降噪和放大,以达到模数转换器的量程范围内,然后对数据经过滤波、放大处理和模拟数字转换后变成数字信号,最后经过高阶数字滤波处理后,由处理器进行数字化,得到数字量。
进一步地,数字化测量数据的浅层特征包括数字化测量数据的峰值、峰峰值、均值、标准差、偏度、峰度、波形指标、脉冲指标及频谱图中的一种或多种。
进一步地,轻量化多头注意力网络包括子模型输入层、子模型多头注意力层和子模型输出层,轻量化多头注意力网络经过训练后结合决策层融合得到故障融合诊断模型,训练过程包括:
将训练用的数据输入子模型输入层,依次经过归一化和扩维后再经过一层全连接层,然后输入子模型多头注意力层;
子模型多头注意力层中计算单个注意力,按照头的数量平均分成多份,再将三个神经网络中可学习的参数矩阵投影到三个不同的空间中,得到查询向量Q,键向量K,值向量V,基于三个向量通过缩放点积注意力计算注意力结果,并将所有注意力结果拼接,得到多头注意力的结果,将多头注意力的结果输入子模型输出层;
多头注意力的结果在子模型输出层中先通过一层全连接层,然后展平并通过分类器进行分类,得到子模型的输出结果;
基于子模型的输出结果采用优化器最小化损失函数,并更新网络,重复上述步骤得到训练完成的轻量化多头注意力网络。
进一步地,损失函数为交叉熵损失函数,具体为:
其中,p是样本数量,q是类别的数量,是真实标签,/>是预测结果。
进一步地,决策层融合采用加权平均法对子模型的输出结果进行融合。
进一步地,对于训练好的轻量化多头注意力网络,进行参数剪枝,参数剪枝的具体步骤为:
对训练好的轻量化多头注意力网络权值进行参数剪枝,然后读取网络的参数并设置阈值,将阈值以下的参数值设为0,最后将剪枝后的参数重新赋值到网络中,得到新的训练好的轻量化多头注意力网络。
进一步地,S1中多个传感器获取的数据包括高压电机不同部位的振动信号、电压电流信号、温湿度信号和超声波信号中的一种或多种,获取的数据通过同轴电缆发送至就地监测单元,其中,
振动信号和超声波信号对应的振动波传感器安装在高压电机出力端;
电压电流信号对应的电流传感器安装在高压电机的中性线上;
温湿度信号对应的测温传感器埋置在高压电机的定子槽内。
与现有技术相比,本发明具有以下有益效果:
(1)本发明通过云端的基于轻量化多头注意力网络的以较低的计算复杂度挖掘大量历史监测数据中蕴含的深层全局特征,构建多模态故障融合诊断模型,进而依据实时监测数据实现高压电机运行状态的在线诊断,比较传统的CNN和RNN方法诊断的结果更加准确。
(2)本发明在属于边部分的就地监测单元中分析数字化测量数据的浅层特征和周期图谱数据,比较现有的直接采用阈值的简单判断方法进行预警,本发明的预警更加合理有逻辑性,同时在预警前确定测量数据的测量时刻,确保监测的时间一致性,保证了结果的精度。此外,属于边部分的就地监测单元距离电机端更近,可以更及时的进行预警。
附图说明
图1为本发明的流程图;
图2为本发明采用的***框架图;
图3为本发明的基于轻量化多头注意力网络的多模态故障融合诊断模型结构图;
图4为本发明的远程在线监测平台示例图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本发明提出一种高压电机综合智能在线监测方法,方法采用端-边-云的架构的***,***包括位于电机端的传感器、位于边的就地监测单元,以及位于云端的远程在线监测平台和服务器。通过安装在高压电机指定位置的耦合电容传感器,高频电流互感器,温湿度传感器,振动波传感器、定子槽式SSD传感器,感应电机的在线运行状态。就地监测单元安装在高压电机控制柜一侧,用来收集各类传感器的测量数据,并利用基准脉冲与基准时间实现测量时间的准确标注,显示各传感器的监测数据、数据趋势、数据浅层特征与超标异常预警,并利用光纤将带有统一计时的各类测量数据发送到后台服务器。服务器进行数据存储,通过基于轻量化多头注意力网络的以较低的计算复杂度挖掘历史监测数据中蕴含的深层全局特征,构建多模态故障融合诊断模型,进而依据实时监测数据实现高压电机运行状态的在线诊断。远程在线监测平台可利用WEB浏览器获取、显示、打印后台服务器存储的测量信息、预警信息、浅层数据特征、诊断结果,将高压电机运行状态从数据、趋势、图谱、浅层数据特征、预警信息、诊断结果等多个维度直观呈现给运维人员;还可以根据需要及时调整传感器、就地监测单元的配置信息。
方法的流程图如图1所示,方法包括以下步骤:
S1、基于多个传感器获取数据,将数据发送至就地监测单元;
S2、就地监测单元获取传感器的测量数据后,确定测量数据的测量时刻,然后将数据转换为数字量,得到数字化测量数据和周期图谱数据,分析数字化测量数据的浅层特征;
S3、根据浅层特征和周期图谱数据对高压电机的运行状态进行初步分析和风险预警,保存数字化测量数据、浅层特征、周期图谱数据和风险预警结果至本地,并将保存的数据发送至服务器;
S4、服务器获取就地监测单元发送的保存的数据,将数据输入训练好的基于轻量化多头注意力网络的故障融合诊断模型,加载权重,得到高压电机运行状态在线诊断结果,将诊断结果和服务器获取的数据发送至远程在线监测平台;
S5、远程在线监测平台显示接收到的信息,根据需要及时调整传感器、就地监测单元的配置信息。
本发明采用端-边-云的架构的***,***框架图如图2所示。***包括位于电机端的传感器、属于边的就地监测单元,以及属于云端的服务器以及远程在线监测平台。***通过安装在高压电机指定位置的耦合电容传感器,高频电流互感器,温湿度传感器,振动波传感器、定子槽式SSD传感器等传感器,感应电机的在线运行状态。通过就地监测单元与后台服务器实现各类传感器监测数据的统一计时、浅层与深层数据特征挖掘、异常预警与运行状态诊断。远程在线监测平台可利用WEB浏览器方便地将高压电机运行状态从数据、趋势、图谱、数据浅层特征、预警信息、诊断结果等多个维度直观呈现给运维人员。***监测单元网络化布局,基于TCP/IP通信和WEB技术,整套***能支持多达200个在线监测单元同时检测,在原有布局基础上加入或者撤掉终端时,***无需额外设置,自动进行识别和配置,监测周期可以灵活设置。***采用边缘计算,数据就地处理,异地分析判断,具有数据再现回溯机制。
本发明的所有采样通道都可连续同步采集,数据处理和模式识别是在就地监测单元与后台服务器并行计算处理完成,远程在线监测平台负责数据存储和处理,显示查询测量结果,整体***更稳定。后台软件采用WEB浏览器直接浏览管理即可,不需要再安装其他客户端软件,接云平台后,可以在远程电脑上查看监测情况。本发明可记录各类传感器的测量数据、测量时间等相关参数,可提供测量数据趋势图、周期图谱、浅层数据特征、运行状态诊断结果并具有预警功能,可对数据库进行查询、删除、备份以及打印报表等。
S1中,***的传感器部分采用耦合电容传感器、电流传感器、温湿度传感器,振动波传感器、定子槽式SSD传感器等传感器感应高压电机不同部位的振动信号、电压电流信号、温湿度信号、振动信号、超声波信号等,再通过同轴电缆接入就地监测单元。就地监测单元具有信号滤波放大和模数转换功能,可对传感器耦合信号进行滤波降噪和放大,以达到AD转换的量程范围内。经多次采集后,对模拟信号经过滤波、放大处理和模拟数字转换后变成数字信号,再经过高阶数字滤波处理后由处理器数字化后传送至服务器。传感器布置方式如下:
1)利用耦合电容传感器模块安装在定子引出线上,用于检测高压电机的局部放电电脉冲信号。
2)电流传感器模块利用中性线上设置的贯穿式射频电流互感器采集高频电流信号。根据用户需要,在每个监测单元配置1-3只开口式电流传感器以满足需要现场的同步监测需求。
3)利用埋置在定子槽内的电阻式测温元件作为测温传感器模块。电阻式温度检测器充当嵌入绕组中的射频天线,用于拾取由局部放电引起的电磁脉冲的分量;利用滤波器阻挡来自温度测量过程中的高频噪声信号。
4)安装条件允许的情况下可以预埋定子槽SSD传感器,灵敏度更高,测试频带更宽,有利于获取更为丰富的局放信号。
5)在电机接线盒添加温湿度传感器,用于电机工作环境的测量。
6)在电机出力端安装振动波传感器,用于振动与超声波信号的测量。
S2中,就地监测单元利用高频基准脉冲与基准时间对各传感器的测量数据进行计时标注。记周期T内高频基准脉冲振动N次,周期开始时的基准时间为ts,开始采集测量数据时高频基准脉冲振动次数为M,则测量数据的测量时刻为t=ts+T*M/N。各就地监测单元与电脑服务器采用内置光纤时基同步方式或者电流感应同步方式,来实现各就地监测单元基准时间的一致性。综合考虑各就地监测单元的基准时间同步时差,可实现各传感器测量时间的标注误差<100ns。
就地监测单元具有信号滤波放大和模数转换功能,可对传感器耦合信号进行滤波降噪和放大,以达到AD转换的量程范围内。经多次采集后,对模拟信号经过滤波、放大处理和模拟数字转换后变成数字信号,再经过高阶数字滤波处理后由处理器数字化后,形成数字化测量数据、周期图谱数据。
就地监测单元对一定周期内采集到的测量数据进行浅层特征分析。提取测量数据的峰值、峰峰值、均值、标准差、偏度、峰度、波形指标、脉冲指标及频谱图等浅层特征。周期等参数可在就地监测单元进行设置。
以超声波测量数据为例进行说明测量数据的浅层特征,记一个周期内的超声波测量数据
则其峰值为:
其峰峰值为:
其均值为:
其标准差为:
其偏度为:
其峰度为:
其波形指标为:
其脉冲指标为:
S3中,依据各传感器测量数据的浅层特征及周期图谱数据可以对高压电机的运行状态进行初步分析。若发现异常在就地监测单元进行风险预警(红、橙、黄、蓝),显示对应传感器的信号异常;进而对高压电机的故障类型进行初步诊断。
S4中,就地监测单元将数字化测量数据、周期图谱数据、浅层数据特征及预警情况,先进行本地存储与显示,然后根据服务器端软件指令,通过光纤向服务器发送指定数据。服务器对接收到的数字化测量数据、周期图谱数据、浅层数据特征及预警情况进行存储;挖掘多模态历史测量数据的全局相关性等深层数据特征,构建诊断模型,对高压电机运行状态进行在线诊断;定期采用内置光纤时基同步方式或者电流感应同步方式,将精确的时间信号通过光纤传输到各就地监测单元,实现各就地监测单元基准时间的一致性。本发明采用基于轻量化多头注意力网络,来挖掘多模态测量数据中蕴含的深层数据特征,构建故障融合诊断模型。基于轻量化多头注意力网络的多模态故障融合诊断模型结构图如图3所示。
故障融合诊断模型包括以下结构和操作过程:
A.子模型输入层:
假设采集了m种模态的数据,设置为 是第i个子模型的输入,i=1,2,…,m,d是样本数量,S是采样时的传感器数量。原始数据先进行归一化处理,并扩维,记作/>然后通过一层全连接层得到D是全连接层的神经元数量。
B.子模型多头注意力层:
首先,计算子模型中单个注意力,将数据X2按照头的数量平均分成h份,得到
再将用三个神经网络中可学习的参数矩阵将其投影到三个不同的空间中,得到查询向量Q,键向量K,值向量V。公式如下:
Q,K,V=XWq,XWk,XWv
其中,Wq,Wk和Wv∈R(D/h)×D是带学习参数。
然后,通过缩放点积注意力计算注意力结果H∈Rd×S×D,公式如下:
其中是缩放因子,softmax是权重分配函数。
最后,得到h个注意力结果,通过对这些注意力的拼接得到多头注意力的结果,公式如下:
M(H)=concat[H1,...,Hh]W
其中,W∈RD×D是待学习参数。
C.子模型输出层:
多头注意机制的结果先通过一层全连接层,然后展平。最后采用softmax分类器对故障类型进行分类。可以描述为:
O=softmax(FC(M(H)))
其中,O是子模型的输出结果,FC是全连接层。
D.离线训练:
采用Adam优化器最小化损失函数并更新网络,这里使用如下交叉熵损失函数:
其中,p是样本数量,q是类别的数量。是真实标签,/>是预测结果。
E.参数剪枝
参数剪枝通过对网络中的参数权重的删减,从而达到压缩模型的作用。深度学习模型随着深度以及宽度的不断加深加宽,模型参数也随之会越来越大,冗余参数数量也会增多,通过减少冗余参数参与模型预测,可以减少相应的存储空间,同时可以使得网络运行计算量减少,提高运行速度。
基于多头注意的子模型具有多个模型参数。在不影响模型精度的前提下,采用参数剪枝的方法减少不重要的参数,提高计算效率,节约计算资源。这个过程包括三个步骤。首先,对训练好的子模型权值进行参数剪枝;其次,读出模型参数后设置阈值,将阈值以下的值设为0。最后,将剪枝后的参数重新赋值到模型中,利用新的子模型进行故障预测。它可以使模型更加关注重要信息。我们将阈值设置为0.001。
例如,通过训练模型读取参数矩阵尺寸为3*3。将阈值设置为0.5。该矩阵中低于0.5的值设置为0。得到一个新的参数并重新赋值给模型。
基于多头注意的子模型有较多的模型参数。在不影响模型精度的前提下,采用参数剪枝的方法减少不重要的参数,提高计算效率,节约计算资源。这个过程包括三个步骤。首先,对训练好的子模型权值进行参数剪枝;其次,读出模型参数后设置阈值,将阈值以下的值设为0。最后,将剪枝后的参数重新赋值到模型中,利用新的子模型进行故障预测。参数剪枝可以使模型关注更加重要信息。我们将阈值设置为0.001。
F.决策层融合:
决策层融合是最高层次上的融合,它首先经过特征提取等技术,运用判决准则对一些有价值的复合信息加以判断,识别和分类,然后依照每个决策的可信度,根据一定的准则综合有价值的信息,最后获得综合决策结果。采用加权平均法作为决策层的融合方法,记子模型的结果为融合的结果为:
其中,为加权平均后的结果,m为子模型的数量。
基于上述多模态故障融合诊断模型,可利用实时获取的测量数据对高压电机运行状态进行在线诊断。将实时获取的测量数据进行数据标准化处理后,送入训练好的高压电机运行状态诊断模型,加载权重,得到高压电机运行状态在线诊断结果。
S5中,远程在线监测平台利用WEB浏览器方便地获取服务器数据库中的各类测量信息、趋势、图谱、数据浅层特征、预警信息、诊断结果;并进行显示、查询、报表生成、打印等功能;还可以根据需要及时调整传感器、就地监测单元的配置信息。
远程在线监测平台可通过浏览器远程登陆服务器,可在线调整采集单元的采集时间间隔和发射数据间隔,同时提取电脑服务器数据库中的测量数据趋势图、周期图谱、浅层数据特征及预警信息、运行状态诊断结果等,可对数据库进行查询、删除、备份以及打印报表等。
远程在线监测软件平台主要用于管理布局在线的各个监测终端,根据用户配置,将一些全局设置发送给数据服务器,接收数据服务器上传的各个采集单元的监测数据、趋势、图谱、数据浅层特征、预警信息、诊断结果等。再根据用户指令,生成阶段性数据报表,预警消息与诊断结果查看等。
远程在线监测平台具有良好的可扩展性,支持多种常用的高压电机监测传感器。在***应用时,可以选择当前项目所使用的传感器类型,予以激活启用;平台可以增加和删除监测站点;采集频率为常规采集单元数据上传给后台的时间间隔,低功耗采集频率为一些低功耗电池型采集单元数据上传给后台的时间间隔。
采集数据信息查询页面详细展示了各个采集时间点,各传感器通道的采样数据信息,可以通过传感器类型,采集单元编号,采集时间段,是否存在预警等方式来快速筛查数据,迅速查看被监测***是否存在问题。
远程在线监测平台的示意图如图4所示。
本发明采用端-边-云的架构进行设计一种高压电机的机电一体综合在线监测方法。通过安装在高压电机指定位置的耦合电容传感器,高频电流互感器,温湿度传感器,振动波传感器、定子槽式SSD传感器,感应电机的在线运行状态。就地监测单元安装在高压电机控制柜一侧,用来收集各类传感器的测量数据,并利用基准脉冲与基准时间实现测量时间的准确标注,显示各传感器的监测数据、数据趋势、数据浅层特征与超标异常预警,并利用光纤将带有统一计时的各类测量数据发送到后台服务器。服务器进行数据存储,通过基于轻量化多头注意力网络的以较低的计算复杂度挖掘历史监测数据中蕴含的深层全局特征,构建多模态故障融合诊断模型,进而依据实时监测数据实现高压电机运行状态的在线诊断。远程在线监测平台可利用WEB浏览器获取、显示、打印后台服务器存储的测量信息、预警信息、浅层数据特征、诊断结果,将高压电机运行状态从数据、趋势、图谱、浅层数据特征、预警信息、诊断结果等多个维度直观呈现给运维人员;还可以根据需要及时调整传感器、就地监测单元的配置信息。
本发明实现了高压电机机电一体化的运行状态实时在线监测。可以通过安装在高压电机控制柜一侧的就地监测单元实时采集各类传感器的监测数据,并进行统一计时。就地监测单元提取数据浅层特征,并据此对电机运行状态进行异常预警。就地监测单元可以显示、查询监测数据、数据趋势、数据浅层特征与超标异常预警等信息。可以在远程在线监测平台可利用WEB浏览器获取、显示、打印后台服务器存储的测量信息、预警信息、浅层数据特征、诊断结果,将高压电机运行状态从数据、趋势、图谱、浅层数据特征、预警信息、诊断结果等多个维度直观呈现给运维人员;还可以根据需要及时调整传感器、就地监测单元的配置信息。远程在线监测平台可通过浏览器直接浏览管理,不需要再安装其他客户端软件,接后台服务器后,可以在远程电脑上查看监测情况。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种高压电机综合智能在线监测方法,其特征在于,方法采用端-边-云的架构的***,***包括位于电机端的传感器、属于边的就地监测单元,以及属于云端的服务器以及远程在线监测平台,方法包括以下步骤:
S1、基于多个传感器获取数据,将数据发送至就地监测单元;
S2、就地监测单元获取传感器的测量数据后,确定测量数据的测量时刻,然后将数据转换为数字量,得到数字化测量数据和周期图谱数据,分析数字化测量数据的浅层特征;
S3、根据浅层特征和周期图谱数据对高压电机的运行状态进行初步分析和风险预警,保存数字化测量数据、浅层特征、周期图谱数据和风险预警结果至本地并显示,并将保存的数据发送至服务器;
S4、服务器获取就地监测单元发送的保存的数据,将数据输入训练好的基于轻量化多头注意力网络的故障融合诊断模型,加载权重,得到高压电机运行状态在线诊断结果,将诊断结果和服务器获取的数据发送至远程在线监测平台;
S5、远程在线监测平台显示接收到的信息,根据需要及时调整传感器和就地监测单元的配置信息。
2.根据权利要求1所述的一种高压电机综合智能在线监测方法,其特征在于,确定测量数据的测量时刻的具体步骤为:
同步各个就地监测单元的基准时间,确定周期开始时的基准时间为ts,利用高频基准脉冲与基准时间对测量数据进行计时标注,记周期T内高频基准脉冲振动N次,开始采集测量数据时高频基准脉冲振动次数为M,得到测量数据的测量时刻为t=ts+T*M/N。
3.根据权利要求2所述的一种高压电机综合智能在线监测方法,其特征在于,同步各个就地监测单元的基准时间的方法采用光纤时基同步方式或者电流感应同步方式。
4.根据权利要求2所述的一种高压电机综合智能在线监测方法,其特征在于,将数据转换为数字量的具体步骤包括:
对数据进行滤波降噪和放大,以达到模数转换器的量程范围内,然后对数据经过滤波、放大处理和模拟数字转换后变成数字信号,最后经过高阶数字滤波处理后,由处理器进行数字化,得到数字量。
5.根据权利要求4所述的一种高压电机综合智能在线监测方法,其特征在于,数字化测量数据的浅层特征包括数字化测量数据的峰值、峰峰值、均值、标准差、偏度、峰度、波形指标、脉冲指标及频谱图中的一种或多种。
6.根据权利要求1所述的一种高压电机综合智能在线监测方法,其特征在于,轻量化多头注意力网络包括子模型输入层、子模型多头注意力层和子模型输出层,轻量化多头注意力网络经过训练后结合决策层融合得到故障融合诊断模型,训练过程包括:
将训练用的数据输入子模型输入层,依次经过归一化和扩维后再经过一层全连接层,然后输入子模型多头注意力层;
子模型多头注意力层中计算单个注意力,按照头的数量平均分成多份,再将三个神经网络中可学习的参数矩阵投影到三个不同的空间中,得到查询向量Q,键向量K,值向量V,基于三个向量通过缩放点积注意力计算注意力结果,并将所有注意力结果拼接,得到多头注意力的结果,将多头注意力的结果输入子模型输出层;
多头注意力的结果在子模型输出层中先通过一层全连接层,然后展平并通过分类器进行分类,得到子模型的输出结果;
基于子模型的输出结果采用优化器最小化损失函数,并更新网络,重复上述步骤得到训练完成的轻量化多头注意力网络。
7.根据权利要求6所述的一种高压电机综合智能在线监测方法,其特征在于,损失函数为交叉熵损失函数,具体为:
其中,p是样本数量,q是类别的数量,是真实标签,/>是预测结果。
8.根据权利要求6所述的一种高压电机综合智能在线监测方法,其特征在于,决策层融合采用加权平均法对子模型的输出结果进行融合。
9.根据权利要求6所述的一种高压电机综合智能在线监测方法,其特征在于,对于训练好的轻量化多头注意力网络,进行参数剪枝,参数剪枝的具体步骤为:
对训练好的轻量化多头注意力网络权值进行参数剪枝,然后读取网络的参数并设置阈值,将阈值以下的参数值设为0,最后将剪枝后的参数重新赋值到网络中,得到新的训练好的轻量化多头注意力网络。
10.根据权利要求1所述的一种高压电机综合智能在线监测方法,其特征在于,S1中多个传感器获取的数据包括高压电机不同部位的振动信号、电压电流信号、温湿度信号和超声波信号中的一种或多种,获取的数据通过同轴电缆发送至就地监测单元,其中,
振动信号和超声波信号对应的振动波传感器安装在高压电机出力端;
电压电流信号对应的电流传感器安装在高压电机的中性线上;
温湿度信号对应的测温传感器埋置在高压电机的定子槽内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310953409.4A CN117053860A (zh) | 2023-07-31 | 2023-07-31 | 一种高压电机综合智能在线监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310953409.4A CN117053860A (zh) | 2023-07-31 | 2023-07-31 | 一种高压电机综合智能在线监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117053860A true CN117053860A (zh) | 2023-11-14 |
Family
ID=88654494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310953409.4A Pending CN117053860A (zh) | 2023-07-31 | 2023-07-31 | 一种高压电机综合智能在线监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117053860A (zh) |
-
2023
- 2023-07-31 CN CN202310953409.4A patent/CN117053860A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647133B (zh) | 轨道交通设备状态检测维护方法及*** | |
CN111442827B (zh) | 一种变压器绕组振动的光纤无源在线监测*** | |
CN108008287B (zh) | 基于移频信号的轨道电路故障监测平台及其监测方法 | |
CN105512474A (zh) | 一种变压器状态监测数据的异常检测方法 | |
CN111639467A (zh) | 一种基于长短期记忆网络的航空发动机寿命预测方法 | |
CN115170000B (zh) | 一种基于电能表通信模块的远程监测方法及*** | |
CN105487530B (zh) | 柴油机排温低故障预测***及方法 | |
CN101655538A (zh) | 发电机局部放电在线监测装置及其监测方法 | |
CN116614177B (zh) | 一种光纤状态多维度参量监测*** | |
CN113776794A (zh) | 一种嵌入式边缘计算的故障诊断方法、装置和*** | |
CN116629627A (zh) | 输电在线监测装置的智能检测*** | |
CN113962308A (zh) | 一种航空设备故障预测方法 | |
CN116800199A (zh) | 一种分布式光伏运行电能质量监测与分析方法 | |
CN110672996A (zh) | 一种城市电缆多维数据集成带电检测装置 | |
CN110728381A (zh) | 一种基于rfid和数据处理的发电厂智能巡检方法及*** | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和*** | |
CN117744029A (zh) | 基于数据分析的电脑主机运行环境适应性测试*** | |
CN106774054A (zh) | 基于复杂非结构化数据识别的gis设备分析***及方法 | |
CN117641157A (zh) | 一种用电信息采集终端的抄表方法 | |
CN117556359A (zh) | 配电设备健康状态评估***及方法 | |
CN113153262A (zh) | 一种基于电缆热特性的海上油田可接入容量评估方法 | |
CN116896166A (zh) | 一种城市电缆的数字孪生全景管控***及方法 | |
CN117053860A (zh) | 一种高压电机综合智能在线监测方法 | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及*** | |
CN113267711B (zh) | 变电站高压电气设备绝缘状态在线监测***及监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |